기본 콘텐츠로 건너뛰기

Java Spring File upload, download, delete

public List<Attach> upload(HttpServletRequest request, MultipartFile[] files, Integer fbnum) {
    String savePath = request.getServletContext().getRealPath("/WEB-INF/files");
    System.out.println("savePath:"+savePath);
    try {
        List<Attach> liAttach = new ArrayList<>();
        for (int i = 0; i < files.length; i++) {
            Attach attach = new Attach();
            attach.setAname(files[i].getOriginalFilename());
            attach.setAsize(files[i].getSize());
            attach.setFbnum(fbnum);
            Attach save = attachRepository.save(attach);
            files[i].transferTo(new File(savePath + "/" + save.getAnum() + "_" + save.getAname()));
            liAttach.add(save);
        }
    return liAttach;
    } catch (Exception e) {
        System.err.println("파일저장 실패");
        //e.printStackTrace();
    }
    return null;
}

public ResponseEntity<Resource> donwload(HttpServletRequest request, String filepath) {
    String path = request.getServletContext().getRealPath("/WEB-INF/files");
    Resource resource = resourceLoader.getResource(path + filepath);
    String contentType = null;
    try {
        contentType = request.getServletContext().getMimeType(resource.getFile().getAbsolutePath());
    } catch (Exception e) {
        e.printStackTrace();
    }
    if (contentType == null) {
        contentType = "application/octet-stream";
    }
    String filename = resource.getFilename();
    filename = filename.substring(filename.indexOf("_") + 1, filename.length());
    return ResponseEntity.ok().contentType(MediaType.parseMediaType(contentType)).header(HttpHeaders.CONTENT_DISPOSITION, "attachment; filename=\"" + filename + "\"").body(resource);
}

public boolean delete(HttpServletRequest request, Attach...attachs) {
    try {
        String path = request.getServletContext().getRealPath("/WEB-INF/files");
        System.out.println("path:"+path);
        for (int i = 0; i < attachs.length; i++) {
            attachRepository.deleteById(attachs[i].getAnum());
            new File(path + "/" + attachs[i].getAnum() + "_" + attachs[i].getAname()).delete();
        }
        return true;
    } catch(Exception e) {
        System.err.println("파일삭제 실패");
        e.printStackTrace();
    }
    return false;
}

태그

라벨:

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() {   return (     < div className = "App" >       < Hello />     </ div >   ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() {   return (     < h1 > Hello, World! </ h1 >   ); } export default Hello; Hello.css h1 {   color : red; }
더보기

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...
더보기

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...
더보기